点击蓝字关注我们
文章发表于JIM期刊,出版于2019年11月,链接:
https://doi.org/10.1007/s10845-019-01473-0
![2af628b1f4577c8f139d7fab0840ab87.png](https://i-blog.csdnimg.cn/blog_migrate/c3ea8e862e202523d63c3ca4a0fdd914.png)
摘要
![4d4d31cbd2a1dc615355ee60ecbc3356.gif](https://i-blog.csdnimg.cn/blog_migrate/aff2eed87294c48b16e03273940fc2b6.gif)
控制图模式(CCP)异常通常是由于制造过程中某些特定因素发生变化造成的,因此控制图的使用是目前统计过程控制的重要手段。在生产中,能够准确、自动地进行控制图模式识别(CCPR)对制造企业的长久发展具有重要意义。传统研究中,专家学者在质量控制方面设计了各种复杂的功能,在提高了识别准确度的同时,也增加了工作量和质量控制的难度。为减少工作量,提高质量控制能力,提出一种基于一维卷积神经网络(1D-CNN)的CCPR方法,该方法不需要人工手动提取复杂产品质量特征,使用一维卷积神经网络通过特征学习从CCP的原始数据中获取最佳特征集,并完成CCPR,其中包含六个典型CCP的训练和验证数据集中的数据由Monte-Carlo仿真生成。然后,分析和讨论了网络结构参数和激活函数对识别性能的影响,并提出了一些参数选择的建议。最后,使用相同的数据集,将该方法与传统的多层感知器方法的性能进行比较,比较结果表明本文所提出的一维卷积神经网络方法在CCPR任务中具有明显的优势。同时,一维神经网络与以往相关文献相比提取的特征质量较高,而且使用模拟数据集训练的一维卷积神经网络在从生产环境识别真实数据集方面仍然表现良好。
文章导读
作为统计过程控制(SPC)的重要工具,控制图在制造质量控制中起着重要作用,被广泛用于监视加工过程是否处于受控状态。如果只有随机因素影响制造过程